IA sans censure : contournez les restrictions de contenu avec Mukenetsu AI

Qu'est-ce que l'IA sans censure

L'IA sans censure (Uncensored AI) désigne un modèle d'IA qui ne subit pas les filtres de contenu généraux ou les restrictions de sujets appliqués lors de la génération par un modèle de langage large. Les chatbots traditionnels bloquent ou modifient automatiquement les discours politiques, religieux, sexuels ou contextuels pour des raisons commerciales ou de sécurité. En revanche, un modèle sans censure génère des sorties plus libres, fidèles au contexte et à l'intention du prompt fourni.

Techniquement, cela est réalisé via le processus de fine-tuning du modèle ou l'ajustement des paramètres lors de la génération des réponses. Il ne s'agit pas simplement de « répondre à tout », mais de traiter les données sans biais de filtrage, en restant fidèle aux instructions de l'utilisateur. Pour les développeurs et créateurs, cela offre un environnement permettant de contrôler soi-même le contenu et de s'adapter à divers cas d'usage.

Problèmes de censure des LLM existants

De nombreux services LLM majeurs imposent des garde-fous stricts sur certains sujets. Par exemple, ils peuvent rejeter une interprétation spécifique d'un fait historique ou d'un débat philosophique, ou arrêter la génération dès qu'une description sexuelle est présente. Bien que fondés sur une philosophie de « sécurité », ces mécanismes deviennent des restrictions gênantes lorsque l'utilisateur souhaite une sortie fidèle ou la génération de genres spécifiques (science-fiction, horreur, contenu pour adultes, etc.).

De plus, ces limites sont souvent impossibles à contrôler pour l'utilisateur de l'API. Une requête qui passait auparavant peut être soudainement rejetée suite à une mise à jour du modèle ou à un changement de politique. Pour les développeurs souhaitant gérer le contenu via leur propre logique, cette « censure en boîte noire » constitue un obstacle à l'intégration.

Caractéristiques du modèle Mukenetsu AI

Le modèle fourni via l'API de notre service est un modèle à poids ouverts spécifié par l'ID « uncensored ». Il fonctionne sur nos serveurs GPU et est conçu pour maintenir une opération cohérente, indépendamment des facteurs externes tels que les modifications législatives ou les changements de spécifications d'autres services. Il est important de noter que ce modèle est indépendant des autres modèles comme GPT, Claude ou Gemini ; il n'hérite pas de leurs paramètres ou restrictions propriétaires.

Le modèle génère sans effectuer de réponses de refus (refusal) superflues sur les sujets sexuels, les débats controversés ou les payloads de recherche en sécurité, tant qu'ils entrent dans le cadre légal des utilisations pour adultes. Toutefois, une limite dure s'applique toujours : les requêtes concernant le « contenu sexuel impliquant des mineurs » sont bloquées. Il s'agit d'une limitation appliquée au niveau du système, et non d'un filtrage flexible basé sur le jugement du modèle.

Avantages d'une fenêtre de contexte de 100k

La fenêtre de contexte désigne le nombre total de tokens que le modèle peut mémoriser et traiter en une seule fois. Notre API prend en charge jusqu'à 100 000 tokens combinant prompt et completion. Cela permet de charger en une fois des documents de plusieurs milliers de pages ou de longs historiques de conversation dans le modèle.

• Maintien du contexte long : Idéal pour les tâches nécessitant de comprendre l'ensemble d'un récit ou d'une base de code avant de modifier ou résumer une partie spécifique.
• Liberté dans l'ingénierie des prompts : Vous pouvez inclure de nombreuses instructions (System Prompt) et exemples (Few-shot), permettant un contrôle plus précis du comportement du modèle.
• Traitement des données : Il est également possible de traiter en lot plusieurs enregistrements ou informations de configuration lors d'un seul appel API.

C'est un élément clé pour réduire le phénomène courant des longues conversations où le modèle « se souvient uniquement du contexte récent », permettant d'obtenir des réponses plus cohérentes.

Streaming et réponses en temps réel

Lors de l'utilisation d'une API d'IA générative, il existe deux formats : le format « bloquant » où l'on attend plusieurs secondes que la réponse soit terminée, et le format « streaming » où les réponses sont renvoyées séquentiellement token par token. Notre API prend en charge SSE (Server-Sent Events), permettant de récupérer des réponses en streaming.

Le streaming contribue à l'amélioration de l'expérience utilisateur (UX). Dès que les premiers tokens de la réponse sont renvoyés, ils s'affichent à l'écran, permettant à l'utilisateur de savoir immédiatement que la réponse est en cours de génération. Du côté du client API, le traitement peut avancer dès réception des données, rendant la conception moins sensible aux latences réseau.

Domaines d'application de l'appel de fonctions

L'appel de fonctions (Function Calling) est une fonctionnalité permettant au LLM de générer non seulement une réponse en langage naturel, mais aussi les paramètres pour appeler une fonction ou une API externe sous forme de données structurées JSON. Cela permet une intégration avec la logique applicative au-delà de la simple génération de texte.

Par exemple, si un utilisateur demande « la météo à Tokyo demain », le modèle ne prédit pas la météo, mais retourne une fonction et ses arguments (région, date, format) pour appeler une API météo externe. Comme il s'agit d'un modèle sans censure, il y a moins de bruit tel que des préambules superflus (« Ravi de vous aider ») ou des justifications inappropriées pour l'appel de fonction, ce qui tend à produire une structure JSON plus fiable.

Confidentialité et utilisation des données

Pour les développeurs soucieux de la confidentialité, la manière dont les données sont traitées est un critère de décision important. La création de compte sur notre API nécessite uniquement un e-mail et un mot de passe ; l'enregistrement d'un numéro de téléphone ou d'une carte bancaire n'est pas obligatoire. En particulier, les comptes d'essai peuvent être utilisés sans carte bancaire.

Point important : les données de prompt envoyées ne sont pas réutilisées comme données d'apprentissage du modèle. Cela élimine le risque que votre logique métier confidentielle ou vos templates de prompts propriétaires soient utilisés pour améliorer les modèles d'autres entreprises. De plus, une seule clé API est émise par compte, et sa régénération permet d'invalider immédiatement l'ancienne clé.

Tarification et gestion des coûts

Cette API fonctionne sur un modèle de paiement à l'usage, sans frais mensuels fixes ni engagement de plan. Pour garantir la transparence de la gestion des coûts, vous achetez du crédit (solde) à l'avance et utilisez le service jusqu'à épuisement de ce crédit. Le crédit acheté n'expire jamais.

Tokens d'entrée	Tokens de sortie
0,25 $ / 1 M de tokens	1,00 $ / 1 M de tokens

Vous pouvez recharger votre solde en crypto-monnaies (USDT, USDC) et bénéficier d’un crédit bonus de 5 % pour un dépôt de 50 $ ou plus, ou de 10 % pour 100 $ ou plus. Ainsi, avec le paiement à l'usage, vous n’avez pas à gérer les risques liés à une consommation rapide de tokens par des bots ni à une charge de base lors des mois où vous n’utilisez pas le service. Vous pouvez également mettre à l’échelle vos requêtes selon vos besoins, dans les limites de 300 requêtes par minute et d’un corps de requête de 8 Mo maximum.

Intégration étape par étape

Vous pouvez commencer l'intégration en quelques minutes en utilisant un client ou un SDK existant compatible avec l'API OpenAI. Suivez les étapes ci-dessous.

1. Sur la page d'obtention de la clé API, créez un compte en utilisant votre adresse e-mail et votre mot de passe.
2. La clé API s'affiche immédiatement après sa création ; copiez-la et conservez-la précieusement.
3. Dans la configuration de votre client API, modifiez l'URL de base en https://api.mukenetsuapi.com/v1 .
4. Définissez la clé API dans l'en-tête d'authentification et spécifiez l'ID de modèle uncensored .

Cela vous permet d’envoyer des requêtes, incluant le streaming et l’appel de fonctions, via l’endpoint de complétion de chat compatible avec OpenAI POST /v1/chat/completions. Grâce à une infrastructure indépendante distincte de celle des autres fournisseurs de modèles, ce système est conçu pour être moins sensible aux pannes de service ou aux modifications de spécifications des autres services.